华南理工大学学报(自然科学版)

作者：左彬, 董天航, 张泽辉, 王华珺, 霍为炜, 宫文峰, 程军圣

单位：1.湖南大学 机械与运载工程学院，湖南 长沙 4100822.中能建储能科技（武汉）有限公司，湖北 武汉 4302003.杭州电子科技大学 中国-奥地利人工智能先进制造“一带一路”联合实验室，浙江 杭州 3100184.中汽信息科技（天津）有限公司，天津 3003005.北京信息科技大学 机电工程学院，北京 1001926.北部湾大学 广西海洋工程装备与技术重点实验室，广西 钦州 535011

关键词：燃料电池,深度学习,故障预测,长短时记忆网络,卷积神经网络

基金：国家自然科学基金项目(52401376);国家重点研发计划项目(2022YFE0210700);浙江省“尖兵”“领雁”研发攻关计划项目(2024C03254);浙江省自然科学基金项目(LTGG24F030004);国家水运安全工程技术研究中心开放基金项目(A202403);宁东能源化工基地本级重点支持领域科技计划项目(2023NDKJXMLX059)

质子交换膜燃料电池以其无污染、高效率、低噪音等优点，受到车辆、船舶以及航空航天等领域的重点关注，然而其可靠性问题阻碍了燃料电池的大规模商业化推广。为进一步提升燃料电池的可靠性，该文提出了一种基于深度学习的燃料电池故障预测方法。首先，针对电压、电流、湿度、温度等状态监测数据，根据燃料电池故障机理选取用于故障诊断的特征参数，以降低数据维度、抑制冗余信息，提高故障预测模型的运算效率，并采用标准化、时间滑窗等预处理方法，消除监测参数之间量纲不同的影响；然后，构建基于长短时记忆网络的燃料电池状态预测模型，其输入为预处理后的多维特征序列，输出为未来T个时间步长的燃料电池状态；最后，将预测的状态数据输入至卷积神经网络故障辨识模型，实现燃料电池故障状态预测。使用燃料电池实验故障数据对所提出的方法进行验证，结果表明，所提出的故障预测模型能够提前预测到故障。该文所提基于深度学习的燃料电池故障预测方法通过有效的数据预处理、基于长短时记忆网络的未来状态预测及基于卷积神经网络的故障识别，实现了对质子交换膜燃料电池运行异常的提前预测。

来源：2025年第7期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第7期